Pi Zero rev1.3をGW-450D2で5GHz WiFi対応にしてみた（RASPBIAN JESSIE LITE版）
Pi Zero rev1.3をGW-450D2で5GHz WiFi対応にしてみた（RASPBIAN JESSIE LITE版）
21. 21 データフレームの定義と拡張性 Frame Type High-Order 4 bits Byte Value UID 0 0x00 URL 1 0x10 TLM 10 0x20 RESERVED 11 0x30 RESERVED 100 0x40 下位4bitsは将来的な利用のため。0000で埋めておく。 Eddystoneのフレームタイプは データフレーム内に1Byteで表現される。 22. 22 共通仕様 Bluetooth Core Specification Supplement (CSS) v5 に準拠 https://www.bluetooth.org/ja-jp/specification/adopted-specifications 下記のPDU（Protocol Data Unit）データタイプが必須 ・The Complete List of 16-bit
MNIST 言わずと知れた手書き文字のデータ CIFAR-10 言わずと知れた10クラス(airplane, automobileなど)にラベル付された画像集。CIFAR-100というより詳細なラベル付けがされたものもある The Oxford-IIIT Pet Dataset CIFAR-10と同様、ラベル付きのデータ。その名の通り動物系 Fashion-MNIST ファッション画像のMNIST、を表したデータセット。クラス数はMNISTと同様10クラスで、画像は28x28(グレースケール)、学習：評価データ数は60,000：10,000。 MNISTは簡単すぎる、濫用されているといった問題を克服するという側面も意識されている。 iMaterialist Challenge on fashion 100万点をこえるファッション画像のデータセット。8グループ228のラベルがアノテーションさ
ここ暫くブログでまとめていなかった、SSD-to-GPUダイレクトSQL実行機能の進捗について。 この機能をかいつまんで言うと、NVMe-SSDに格納されているPostgreSQLのデータブロックをGPU RAMに直接転送し、そこでSQLのWHERE句/JOIN/GROUP BYを実行することで見かけ上のI/O量を削減するという代物である。 NVIDIAのTesla/Quadro GPUが対応するGPUDirect RDMA機能を使い、SSD<=>GPU間のデータ転送を仲介するLinux kernel moduleを使えば、CPU/RAMにデータをロードする前にGPU上での処理を行うことができる。 しばらく前からScan系の処理には対応していたが、JOIN/GROUP BYへの対応を加え、さらにPostgreSQL v9.6のCPU並列にも追従したということで、簡単なベンチマークなら取れる
iPhoneで Grafanaの グラフを 参照できる アプリ Grafanizerを 作ってます。 詳しくは こちらへ。 スクレイプする目的 先日からRe:dashをいじっててようやくOracleとの接続もクリアしたので、経営層向けの自作ダッシュボードから移行すべくこれが出来ないと移行ができないというものを攻略してみた。 それが外部URLのテーブルからデータをぶっこ抜いてグラフ表示させる機能で、具体的にはアメリカのエネルギー情報局(EIA)のページにある1983年からの原油価格である。 http://tonto.eia.doe.gov/dnav/pet/hist/LeafHandler.ashx?n=PET&s=RCLC3&f=W このページを知ってから約3年位はスクレイピングさせてもらってるんだけど、HTMLの構造は変わらないし大変ありがたい。 Pythonをデータソースにするには R
過去のイベントのリストはこちらから 登壇者のレベルの高い講演に加え、第一線で活躍されている研究者やデータサイエンティストが集まる大変充実した会になりました。なお、今回の会議はアクサ生命保険株式会社様のオフィスをお借りして実施しました（アクサ生命保険株式会社様は実はPythonのヘビーユーザとのこと！）。この場を借りてお礼申し上げます。 Pythonではじめる地理情報データ解析 PyData.Tokyoオーガナイザーの山本（@kaita）です。 さまざまな位置情報を測定・集計・分析した上で、その結果を地図上にマッピングし、そこで「何が」「いつ」「起こっているか」を把握する、いわゆる「地理情報データ解析」がさまざまな用途で活用されるようになってきています。地理情報データ解析を行う際に必要な各種ツールの多くがPythonで実装されており、多くのシーンで利用されています。 そこで、今回、PyDat
RESASは、産業構造や人口動態、人の流れなどに関するデータを集約し、地図上に可視化したシステム。地方自治体がデータを活用し、地方創生のための戦略立案ができることを目的に2015年4月に公開された。 今回公開されたRESAS-APIは、RESASに搭載されているデータを自由に取得・利用することのできるAPI。これにより、RESASに搭載されているデータの加工や、別データとの組み合わせ、最新データの自動での取り込みが可能になる。 公開されるデータは以下のとおり。 11月1日提供データ 産業マップ 稼ぐ力分析 特許分布図 輸出入花火図 海外への企業進出動向 農林水産業マップ 農業花火図 農産物販売金額 農地分析 農業者分析 林業総収入 海面漁獲物等販売金額 観光マップ 外国人訪問分析 商業マップ 商業花火図 商業の地域間比較 人口マップ 人口構成 人口増減 人口の自然増減 人口の社会増減 将来
あらゆるスポーツはデータ分析によって評価されています。今回はサッカーです。 調べてみた結果、試合のゴール数はポアソン分布（正規分布）に従うと仮定できるそうで、簡単そうなのでやってみます。 ※かなり前に実験してみた結果なので、その辺はご容赦下さい。 ポアソン分布とは ポアソン分布は平均値を変数として使用することで、ある事象が起こる確率を求めることができます。 今回の場合、λに平均得点、kに得点の０点～３点を代入します。 例えば、２０１５年サンフレッチェ広島は1ゲームあたり平均2.03ゴールを得点する可能性があります。この情報をポアソン方程式に当てはめると、広島が試合で0ゴールになる確率は13%、1ゴールは27%、2ゴールは27%、3ゴールは18%になります。簡単ですね。 しかしながら、サッカーは対戦相手あってのものです。単純に、これをそのまま利用するのは適切ではありません。 検証する対象試合
こんにちは、城内です。 今回は、先週末に開催されたdb tech showcase Tokyo 2015に参加してきましたので、セッションレポートを書きたいと思います。 少し時間があいてしまいましたが、スライドも公開され、面白い内容でしたのでぜひご覧頂ければと思います。 セッション情報 セッション名：Apache DrillでJSON形式のオープンデータを分析してみる スピーカー：マップアール・テクノロジーズ株式会社 草薙昭彦氏 スライド [slideshare id=49306846&doc=apachedrillopendata20150611-150612094242-lva1-app6892&w=640&h=480] セッション内容 Apache Drillの概要 Apache Drillとは、スキーマフリーのSQLエンジンである。 データの今後 データ量は2倍に増え、ペタバイト級
(Lisp Advent Calendar 2013 18日目の記事) しばしばLispの特徴として「プログラムを生成するプログラムを書ける」ということが言われるわけだが、普通の人はこれを聞いてどう解釈したらよいものか悩むと思う。字面通りに受け取ると、あたかも勝手に世の中の問題を把握してそれを解決するプログラムを出力してくれる真の人工知能のようなものを想像してしまうかもしれない。しかし残念ながら、そうした所謂「強いAI」は人工知能研究における聖杯であり、いまだにSFの範疇から出るものではない。 LISPerの言う「プログラムを生成するプログラム」とは普通もっと限定された意味である。そしてそれはほとんどの場合マクロによって実現される。 evalとマクロ Lispではプログラムとデータが同じ形をしているので、それまでプログラムとして扱っていたものを突如データとみなして操作することができる。逆に
リレーショナルモデルを実践するには、ドメイン（≒データ型）を如何に正しく設計するかということが極めて重要になる。しかしながら、ドメインをどう設計すべきかという議論はあまりされていないように思う。その結果、ドメインについての理解はあまり進まず、データベース設計に失敗しているパターンが多いように思われる。 というわけで今日のテーマはドメインである。 集合を定義するリレーショナルモデルにおけるデータ型とは何か。リレーショナルモデルを実践するにはまずその点から理解する必要がある。 リレーショナルモデルでは、データ型はドメインと呼ばれる。ドメインとは、その属性（≒カラム）に入るべき値はどういったものかを集合として定義したものだ。言い換えると、属性値とはある集合の要素の一つであると言える。従って、ドメインを設計する際には、SQLで言うところのデータ型、つまりINTやCHARといったものだけでなく、その
Webやスマートデバイス、センサーなどあらゆるものから情報を収集出来るようになり、世の中には膨大なデータが溢れかえっています。また、ビッグデータやデータサイエンティストといったキーワードに注目が集まり、データ活用への期待が高まっています。しかし、単純に収集したデータはそのままでは見づらく、そこから意味を汲み取ることは困難です。そこで、データの見せ方や伝え方が重要になってきます。 D3.jsとは D3.jsは、Mike Bostock（mbostock）が作成したデータ可視化用途で人気のJavaScriptライブラリで、データをDOMと結びつけ、データ駆動によりグラフを作成することができます。ソースコードはGithubで公開されており、人気を表すStarの数がGithubに公開されているリポジトリ全体で6番目に多いことからも、注目の高さが伺えます（2013/10現在）。ライセンスは修正BSD
Live Nation says its Ticketmaster subsidiary was hacked. A hacker claims to be selling 560 million customer records. An autonomous pod. A solid-state battery-powered sports car. An electric pickup truck. A convertible grand tourer EV with up to 600 miles of range. A “fully connected mobility device” for young urban innovators to be built by Foxconn and priced under $30,000. The next Popemobile. Ov
サービス終了のお知らせ NAVERまとめは2020年9月30日をもちましてサービス終了いたしました。 約11年間、NAVERまとめをご利用・ご愛顧いただき誠にありがとうございました。
Not your computer? Use a private browsing window to sign in. Learn more about using Guest mode
This webpage was generated by the domain owner using Sedo Domain Parking. Disclaimer: Sedo maintains no relationship with third party advertisers. Reference to any specific service or trade mark is not controlled by Sedo nor does it constitute or imply its association, endorsement or recommendation.
この記事はThe top 20 data visualisation toolsの原著者許諾済みの日本語訳です。 By Brian Suda on September 17, 2012 Translated by Tatsuo Sugimoto 2014年4月28日更新：オリジナル記事が以前のサイトから移転したため発生していた画像の非表示に対応しました。 わたしがもっともよくきかれる質問のひとつが、データビジュアライゼーションを始める方法についてです。このブログの先へ進むには、練習し、さらに実践し、利用できるツールを理解する必要があります。この記事では、シンプルなチャートから複雑なグラフ、地図、インフォグラフィックスまで、ビジュアライゼーションを作成するための20種類のツールを紹介しようとおもいます。ほとんどのツールは無料で利用でき、そのうちいくつかはすでにインストール済みかもしれません。
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く